上一篇
HiCo是什么？一文让你看懂HiCo的技术原理、主要功能、应用场景
Ferret-UI 2是什么？一文让你看懂Ferret-UI 2的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
Ferret-UI 2概述简介
Ferret-UI 2是苹果公司推出的多模态大型语言大模型，用在理解和交互移动用户界面。Ferret-UI 2能识别和理解各种移动设备屏幕上的UI元素，执行复杂的用户指令，实时观察用户在移动设备屏幕上的操作，随时准备提供帮助和执行任务。Ferret-UI 2相较于早期版本进行了大幅改进和更新。基于高分辨率图像编码和先进的数据训练方法，提升UI元素的识别精度和交互能力，用户能更自然、高效地与智能设备互动。
Ferret-UI 2的功能特色
多平台支持：Ferret-UI 2能处理包括iPhone、Android、iPad、Webpage和AppleTV在内的多种平台的用户界面。
高分辨率图像感知：基于自适应缩放技术，Ferret-UI 2能在保持原始UI截图分辨率的同时，实现更准确的视觉元素识别。
高级任务训练数据生成：基于GPT-4o和set-of-mark视觉提示，Ferret-UI 2生成用于复杂任务的训练数据，提升模型对UI元素空间关系的理解。
用户中心交互：Ferret-UI 2能理解、执行用户为中心的交互任务，如确认提交、点击按钮等，不仅仅是机械点击。
跨平台迁移能力：Ferret-UI 2展示了强大的跨平台转移能力，能在不同的平台之间迁移和适应。
Ferret-UI 2的技术原理
多模态大型语言大模型（MLLM）：结合视觉感知和语言处理的能力，理解和生成对UI的复杂交互。
自适应N网格机制：基于算法确定最优的网格大小，用最小的分辨率失真和像素变化编码UI截图的每个部分。
动态高分辨率图像编码：用CLIP图像编码器提取全局和局部特征，将特征送入大型语言大模型（LLM）。
视觉采样器：根据用户指令识别、选择相关的UI区域，输出对UI元素的感知或交互描述。
set-of-mark（SoM）视觉提示：在生成训练数据时，用SoM提示增强模型对UI元素空间关系的理解，特别是在多轮感知和交互问答任务中。
端到端训练：模型通过端到端的训练过程，从原始数据注释中学习，生成高质量的训练数据并优化模型性能。
Ferret-UI 2项目介绍
arXiv技术论文：https://arxiv.org/pdf/2410.18967
Ferret-UI 2能做什么？
智能手机和平板电脑：Ferret-UI 2能理解、执行用户在iOS和Android设备上的各种指令，如导航应用程序、发送消息、设置提醒等。
网络浏览：在网页浏览中，帮助用户更有效地与网页元素交互，比如点击按钮、填写表单、导航链接等。
智能电视：对于Apple TV等智能电视平台，提供语音控制和其他交互方式，增强用户体验。
多任务环境：在需要同时处理多个应用程序或窗口的场景中，帮助用户更高效地管理和切换不同的任务。
辅助技术：集成到辅助技术中，帮助残障人士通过语音命令或其他输入方式与设备交互。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
Invisibility
Invisibility 是一款集成到操作系统中的个人助手应用程序，它通过简单的键盘快捷键，允许用户快速与AI进行交互，提高工作效率。该应用提供了一个...
Cliprun
Cliprun 是一款基于浏览器的 Python 编程工具，通过 Chrome 插件的形式，让用户能够在任何网页上直接运行 Python 代码。它利用...
texta
Texta.ai是一个在线平台，它利用高级自然语言处理（NLP）功能来增强各种与文本相关的任务。它提供诸如文本摘要，情感分析，自然语言生成和文本搜索之...
smart upscaler
在AI的帮助下，Smart Topscaler会扩大高质量的高质量图像。使用此工具，扩大的脸部看起来很自然，并且没有等待的效果。...
OpenAI.fm
OpenAI.fm 是一个互动演示平台，允许开发者体验 OpenAI API 中的最新文本转语音模型gpt-4o-transcribe， gpt-4o...
Humanize
Humanize.im是一个在线工具，旨在将AI生成的文本转化为更自然、更人性化的语言。它通过先进的算法和自然语言处理技术，提高文本的可读性和吸引力，...
Bolten
Bolten是一个为中小型企业提供个性化CRM解决方案的在线平台。它通过定制化工具帮助企业组织工作流程，简化客户关系管理。平台目前免费，致力于提供完整...
iMemo
iMemo是一个音频记录和转录应用，它通过AI技术帮助用户捕捉和管理信息，支持超过100种语言的即时转录和总结，让用户无论何时何地都能轻松记录讲座、会...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
